Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä
|
|
- Armas Auvinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä Kandidaatintyö Tomi Jussila Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään.
2 AALTO-YLIOPISTO PERUSTIETEIDEN KORKEAKOULU PL 11000, Aalto KANDIDAATINTYÖN TIIVISTELMÄ Tekijä: Työn nimi: Tomi Jaakko Johannes Jussila Yhteisviat ja intervallitodennäköisyydet vikapuuanalyysissä Tutkinto-ohjelma: Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Pääaine: Systeemitieteet Pääaineen koodi: F3010 Vastuuopettaja(t): Prof. Ahti Salo Ohjaaja(t): DI Antti Toppila Tiivistelmä: Laajoja teknisiä järjestelmiä tarkastellaan luotettavuusanalyysin menetelmin, jotta voitaisiin varmistaa, että nämä järjestelmät täyttävät niille asetetut luotettavuusvaatimukset. Eräs käytetyimmistä menetelmistä on vikapuuanalyysi, jossa järjestelmän luotettavuutta tarkastellaan sen komponenttien vikaantumisten kautta. Vikapuuanalyysin kiinnostavimpiin käyttötarkoituksiin kuuluu järjestelmän luotettavuuden kannalta kriittisten osien tunnistaminen. Tämä on mahdollista, kun järjestelmän rakenne ja komponenttien vikaantumisten todennäköisyydet tunnetaan. Usein järjestelmän komponenttien vikaantumisten todennäköisyyksiä ei tunneta tarkasti. Tämän lisäksi toisen haasteen vikapuuanalyysin soveltamiseen tuo useamman komponentin samanaikaisen samasta syystä johtuvan vikaantumisen, eli yhteisvian, mahdollisuus. Aikaisemmin on kehitetty malli, jonka avulla järjestelmän riskit voidaan priorisoida epävarmuuden vallitessa esittämällä todennäköisyydet intervalleina. Tämä kandidaatintyö pohjautuu tähän malliin. Työssä se laajennetaan tarkastelemaan yhteisvikoja. Työssä yhteisvikoja mallinnetaan betafaktorimallilla sen helppokäyttöisyyden vuoksi. Koska myös betafaktorimalleihin liittyy epävarmuutta, työssä esitetään miten tämän mallin parametri β voidaan esittää intervallimuodossa. Lisäksi työssä esitellään Mathematicalla toteutettu algoritmi, joka mahdollistaa komponenttien priorisoinnin, kun komponenttien vikaantumisten todennäköisyydet esitetään intervalleina ja järjestelmässä saattaa olla yhteisvikoja. Tämä tapahtuu laskemalla komponenttien väliset dominanssirelaatiot. Mallin tuloksia havainnollistetaan esimerkkitapauksella. Sitä tutkitaan silloin, kun yhteisvikoja ei voi tapahtua, sekä myös silloin, kun yhteisviat ovat mahdollisia. Tuloksena huomataan yhteisvikojen merkittävä vaikutus järjestelmän riskiin nähden. Tilanteessa, jossa ei ole yhteisvikoja, jokin komponentti saattaa olla toisen komponentin dominoima jonkin riskitärkeysmitan suhteen. Jos tämä dominoitu komponentti saattaakin vikaantua yhteisvian takia, niin on mahdollista, että se dominoi sitä komponenttia, joka dominoi sitä aiemmin. Kandidaatintyön tuloksien valossa yhteisvioilla voi olla merkittävä vaikutus järjestelmän luotettavuuteen, ja yhteisvikoihin liittyy paljon epävarmuutta. Tässä kandidaatintyössä esitelty menetelmä huomioi yhteisviat ja ottaa huomioon epävarmuuden sekä vikaantumisten todennäköisyyksissä että yhteisvikamallissa. Päivämäärä: Kieli: suomi Sivumäärä: 24 Avainsanat: luotettavuusanalyysi, vikapuuanalyysi, yhteisviat, intervallitodennäköisyydet
3 Sisältö 1. Johdanto 1 2. Aikaisempi tutkimus Vikapuuanalyysi Yhteisviat Intervallitodennäköisyydet 6 3. Mallin muodostaminen Betafaktorimallin soveltaminen riskien priorisoinnissa Epävarmuus -parametrissa Intervallien käyttäminen Intervallitodennäköisyyksien soveltaminen yhteisvikatilanteissa Algoritmi dominanssirelaatioiden määrittämiseksi Esimerkki ja tulokset Tarkat todennäköisyydet Epävarmuus -parametrissa Epävarmuus komponenttien vikaantumisten todennäköisyyksissä Yhteenveto ja pohdinnat 20
4 1 1. Johdanto Vikapuuanalyysi on yksi käytetyimpiä menetelmiä laajojen ja monimutkaisten järjestelmien luotettavuuden tarkastelemista varten. Sitä pidetään tehokkaana menetelmänä järjestelmän riskitason arvioimiseen (Ericson, 1999), sillä sen avulla saadaan muodostettua kuva järjestelmän vikaantumiseen johtavista tapahtumista. Sen avulla voidaan muun muassa varmistaa se, että järjestelmä täyttää sille asetetut luotettavuusvaatimukset, ja tämän lisäksi sen avulla voidaan tunnistaa järjestelmän luotettavuuden kannalta kriittisimmät kohdat. Tätä varten on kehitetty useita riskitärkeysmittoja kuvaamaan järjestelmän komponenttien merkitystä järjestelmän luotettavuuden kannalta. Muun muassa Fussell-Veselyn riskitärkeysmitta (Fussell, 1975) on yksi näistä. Näiden arvot voidaan laskea kullekin järjestelmän komponentille, kun tunnetaan järjestelmän rakenne ja sen komponenttien vikaantumisien todennäköisyydet, jotka saadaan vikapuuanalyysin avulla. Usein vikaantumisista on kuitenkin sen verran vähän havaintoja, että niiden todennäköisyyksien estimaatteihin liittyy erittäin paljon epävarmuutta. Niiden luottamusväli saattaa olla erittäin leveä, jolloin jonkin komponentin vikaantumisen todellinen todennäköisyys saattaa poiketa huomattavasti sen aineiston pohjalta muodostetun arvion, eli estimaattorin arvosta. Vuonna 2012 kuitenkin esitettiin malli (Toppila ja Salo, 2012), joka ottaa tämän epävarmuuden huomioon. Siinä komponenttien vikaantumisien todennäköisyydet esitetään intervallimuodossa niiden ala- ja ylärajan avulla, ja sen jälkeen lasketaan komponenttien väliset dominanssirelaatiot jonkin riskitärkeysmitan suhteen. Komponentti dominoi toista riskitärkeyksien suhteen, jos se saa kaikilla käyvillä todennäköisyyksillä vähintään yhtä suuren riskitärkeysmitan arvon ja ainakin yhdellä käyvällä todennäköisyydellä aidosti suuremman arvon. Tässä kandidaatintyössä tämä malli on laajennettu yhteisvikojen tarkasteluun. Yhteisvioilla tarkoitetaan tilanteita, joissa useampi komponentti vikaantuu samanaikaisesti saman syyn takia. Esimerkiksi jossakin huoneessa syttynyt tulipalo, joka vikaannuttaa kaikki siinä huoneessa olevat komponentit, on yhteisvika. Yksi tapa mallintaa yhteisvikoja on K.N. Flemingin vuonna 1975 esittelemä betafaktorimalli (Modarres, 2006), joka on yksinkertaisuutensa vuoksi suosittu menetelmä, sillä mallissa tarvitaan vain yhtä parametria yhteisvikojen kuvaamiseksi. Tämän kandidaatintyön tavoitteena on selvittää, miten
5 2 betafaktorimallia voidaan soveltaa järjestelmän riskien priorisoinnissa, ja miten tämän mallin -parametrin estimaattori ja sen luottamusväli muodostetaan. Tämän lisäksi tätä kandidaatintyötä varten on luotu esimerkkitapaus, jossa sovelletaan työssä kehitettyä menetelmää järjestelmän riskien priorisoimiseksi. Lisäksi työssä esitellään Mathematicalla toteutettu algoritmi, jolla lasketaan komponenttien väliset dominanssirelaatiot. Työ rakentuu siten, että luvussa 2 esitellään vikapuuanalyysi, betafaktorimalli ja intervallitodennäköisyyksillä mallintamisen perusteet. Luvussa 3 esitetään tässä kandidaatintyössä muodostettu menetelmä riskien priorisoimiseksi tilanteissa, joissa todennäköisyyksiin liittyy epävarmuutta ja yhteisviat ovat mahdollisia. Luvussa 4 esitellään työtä varten luotu esimerkkijärjestelmä ja työssä kehitetyn menetelmän antamat tulokset siihen järjestelmään. Luvussa 5 esitetään pohdinnat ja yhteenveto. 2. Aikaisempi tutkimus 2.1. Vikapuuanalyysi Bell Labs- tutkimuskeskuksessa kehitetty vikapuuanalyysi on nykyisin yksi suosituimmista menetelmistä luotettavuusanalyysissa (Ericson, 1999). Vikapuuanalyysin etuna on kyky löytää koko järjestelmän vikaantumisen kannalta tärkeät komponenttien vikaantumiset ja luoda sen perusteella hyvä lähtökohta järjestelmän vikaantumisen todennäköisyyden arvioimiseksi. Vikapuuanalyysin avulla selvitetään miten jokin ei-toivottu tapahtuma eli huipputapahtuma toteutuu. Tätä varten täytyy selvittää kaikki mahdolliset syyt, eli osatapahtumat, jotka voivat aiheuttaa huipputapahtuman toteutumisen. Tavoitteena on muodostaa järjestelmälle vikapuu, joka esittää järjestelmän vikaantumisen komponenttien vikaantumisien avulla. Tämä tapahtuu siirtymällä järjestelmän vikaantumisesta alkaen taaksepäin etsien syitä, joilla aina sillä hetkellä tutkittava seuraus voi toteutua. Tavoitteena on määrittää, minkä ehtojen toteutuessa jokin tapahtuma toteutuu. Nämä eri ehdot yhdistetään jollakin operaattorilla, joka noudattaa Boolen logiikkaa. Yleisimmin käytetyt operaattorit ovat ja- sekä tai-operaattori. Näillä operaattoreilla mallinnetaan sitä, että järjestelmä vikaantuu, jos tapahtumat A ja B toteutuvat, tai jos joko tapahtuma A
6 3 tai B toteutuu. Jos löydetyt ehdot eivät ole riittävän yksinkertaisia, jotta niiden todennäköisyydet pystyttäisiin arvioimaan, näille ehdoille toteutetaan samanlaista tarkastelua. Tämän seurauksena saadaan vikapuun seuraava kerros, jolla on esitettynä ehtojen ehdot loogisten operaattoreiden avulla yhdistettynä siten, että alkuperäiset ehdot toteutuvat. Näin jatketaan niin monta kerrosta eteenpäin, kunnes saatavien ehtojen todennäköisyydet pystytään arvioimaan. Eräs kiinnostavimmista asioista järjestelmän luotettavuutta tarkasteltaessa on arvioida järjestelmän eri komponenttien vikaantumisen merkitystä järjestelmän kokonaisriskiin. Tämä riskien priorisointi on mielenkiintoista, sillä sen avulla voidaan parantaa järjestelmän luotettavuutta järjestelmää suunniteltaessa ja suunnitella millä tavalla järjestelmän komponenttien toiminta kannattaa tarkastaa. Komponenttien vikaantumisiin, joilla on suurempi merkitys järjestelmän luotettavuuden kannalta, voidaan riskien priorisoinnin johdosta joko kiinnittää enemmän huomiota tai niille voidaan jo suunnitteluvaiheessa lisätä varajärjestelmä. Riskien priorisointia varten on luotu muutamia riskitärkeysmittoja, joiden toiminta perustuu vikapuuanalyysiin. Yksi käytetyimpiä riskitärkeysmittoja on W.E. Veselyn esittelemä ja myöhemmin J.B. Fussellin kehittämä Fussell-Veselyn riskitärkeysmitta (Fussell, 1975), joka määritellään ehdollisena todennäköisyytenä sille, että tutkittava perustapahtuma on tapahtunut ehdolla sille, että huipputapahtuma on tapahtunut. Oletetaan, että järjestelmän vikaantuminen voidaan esittää sen minimikatkosjoukkojen summana. Tämä on mahdollista, jos minimikatkosjoukkojen leikkaus approksimoidaan tyhjäksi joukoksi. Tällöin Fussell-Veselyn riskitärkeysmitta määritellään (1) jossa A on tutkittava komponentti, T on järjestelmän vikaantuminen ja kuvaa järjestelmän i:nnettä minimikatkosjoukkoa. Fussell-Veselyn riskitärkeysmitta kuvaa sitä osuutta kaikista järjestelmän vikaantumisista, joihin tutkittava komponentti kuuluu.
7 Yhteisviat Joskus perustapahtumat eivät ole toisistaan riippumattomia. Joissakin tapauksissa sama syy aiheuttaa monen komponentin samanaikaisen vikaantumisen. Esimerkiksi tulipalon varalle rakennetun sprinklerijärjestelmän kaikki pumput saattavat olla samassa huoneessa ja tulipalon syttyessä siinä huoneessa kuumuus saattaa vikaannuttaa kaikki pumput samanaikaisesti, ja siten myös koko järjestelmän. Näitä tapahtumia kutsutaan yhteisvikaantumisiksi. Eräs määritelmä yhteisvikaantumiselle on niiden tapahtumien joukko, jossa kaksi tai useampaa vikaantumista esiintyy samanaikaisesti johtuen yhteisestä syystä (Modarres, 2006). Yhteisvikaantumisten vaikutus järjestelmän kokonaisriskiin on yleensä merkittävä, sillä järjestelmän vikaantuminen vaatii tavallisesti useamman komponentin vikaantumisen ja useamman komponentin samanaikaisen, toisistaan riippumattoman vikaantumisen todennäköisyys on pieni komponenttien ollessa luotettavia. Yhteisvikaantumisten mallintamista varten on kehitetty useita eri yhteisvikamalleja. Yksi käytetyimpiä näistä on K.N. Flemingin vuonna 1975 kehittämä betafaktori-malli. Kyseinen malli olettaa, että yhteisvika vikaannuttaa kaikki komponentit, joihin tämä yhteisvika liittyy. Tämän oletuksen johdosta malli on helppokäyttöinen, joka selittänee mallin suosion vielä nykyisinkin. Tarkastellaan järjestelmää, johon kuuluu m komponenttia, joiden vikaantumisen todennäköisyys on. Betafaktorimallissa tapahtumalla, jossa vikaantuu k komponenttia samanaikaisesti, todennäköisyys on: (2) Tarkastellaan seuraavaksi järjestelmää, jossa on kytketty rinnan kaksi komponenttia, joiden vikaantumistapahtumat ovat A ja B, ja molemmat komponentit vikaantuvat todennäköisyydellä p. Rinnan kytketty järjestelmä vikaantuu, kun kaikki sen komponentit vikaantuvat eli kahden komponentin tapauksessa kun tapahtuu. Lisäksi nämä komponentit voivat vikaantua samanaikaisesti yhteisvian C vuoksi. Nyt,,, sillä kyseessä on komponenttien riippumaton vikaantuminen, jonka todennäköisyys saadaan yhtälöstä (2), ja
8 . Näiden todennäköisyyksien avulla voidaan esittää A:n ja B:n samanaikaiselle tapahtumiselle todennäköisyydeksi 5 joka supistuu yläpuolella esitettyjen kaavojen avulla muotoon (3) Kun tarkastellaan järjestelmiä, joiden komponentit ovat luotettavia, jolloin, voidaan olettaa, että, sillä :n arvo on tavallisesti lähellä arvoa 0.1 ja on tätä arvoa huomattavasti pienempi. Tämän oletuksen mukaan yhtälöä (3) voidaan approksimoida termillä, joka tarkoittaa sitä, että oletetaan, että nämä kaksi komponenttia voivat vikaantua samanaikaisesti vain yhteisvian takia. Betafaktori-malli on yhden parametrin malli, jossa -parametri kuvaa yhteisvikaantumisten osuutta kaikista vikaantumisista (Modarres, 2006). Suurimman uskottavuuden estimaattori parametrille on (4) jossa on yhteisistä syistä johtuneiden vikaantumisten lukumäärä, on riippumattomista syistä aiheutuneiden vikaantumisten lukumäärä, jolloin kaikkien vikaantumisten lukumäärä on =. Monesti yhteisvikaantumisista ei ole riittävästi tietoa, jotta -parametri voitaisiin määrittää yhtälön (4) siten, että luottamusvälistä ei tulisi huomattavan suuri. Betafaktorimallia voi kuitenkin näissäkin tilanteissa soveltaa yhteisvikaantumisien mallintamiseen. -parametri voidaan estimoida asiantuntija-arvioita käyttämällä. William M. Goblen kehittämässä menetelmässä esitetään useita kysymyksiä järjestelmän rakenteesta, jonka jälkeen vastaukset pisteytetään, ja koko järjestelmän saaman pistemäärän mukaan järjestelmälle annetaan arvio -parametrista (Goble, 2003). Esimerkiksi yksi menetelmän kysymyksistä selvittää, kulkevatko kaikki järjestelmän kaapelit erillään toisista. Pistemäärästä riippuen tämä menetelmä antaa -parametrille arvon väliltä [0.005,0.05] kun menetelmällä tarkastellaan loogista järjestelmää ja arvon väliltä [0.01,0.1] kun menetelmällä tarkastellaan antureita tai toimilaitteita. Taulukossa 1 on esitettynä, miten tällä menetelmällä annetaan arvo -parametrille pisteytyksen mukaan.
9 6 Taulukko 1: -parametrin saamat arvot Goblen menetelmällä 2.3. Intervallitodennäköisyydet Komponenttien vikaantumisten todennäköisyyksien piste-estimaateissa saattaa olla niin paljon epävarmuutta, että piste-estimaattien käyttäminen ei ole järkevää. Esimerkiksi heitettäessä noppaa 10 kertaa numero 3 saattaa olla kolme kertaa tuloksena. Tästä huolimatta 95 % todennäköisyydellä on mahdollista, että noppa on virheetön, sillä kolmoselle estimoitavan todennäköisyyden piste-estimaatin luottamusväli on sen verran leveä, että se sisältää myös todennäköisyyden 1/6. Otamme tämän epävarmuuden huomioon esittämällä vikaantumisten todennäköisyydet piste-estimaattien sijasta intervalleina, jotka muodostetaan tapahtuman todennäköisyyden alarajan ja ylärajan avulla, siten että oikea todennäköisyys osuu näiden kahden pisteen muodostamalle välille. (5) Tehdään koesarja, jossa on N identtistä komponenttia, jotka vikaantuvat todennäköisyydellä p. Kokeen jälkeen vikaantuneita komponentteja on kappaletta ja toimivia. Vikaantuneiden komponenttien lukumäärä noudattaa binomijakaumaa parametrein N ja p, eli (Modarres, 2006). Jakauman parametrina oleva vikaantumisten todennäköisyys p on tuntematon, ja sen suurimman uskottavuuden estimaattori on vikaantuneiden komponenttien lukumäärän ja havaintojen N suhde, eli
10 (6) Tämän estimaattorin luottamusväli voidaan määrittää usealla tavalla. Yksinkertaisin menetelmä perustuu binomijakauman approksimoimiseen normaalijakaumalla. Tällöin estimaattorin luottamusvälin päätepisteiksi valitulla luottamustasolla saadaan (7) 7 jossa tarkoittaa standardoidun normaalijakauman luottamuskerrointa valitulla luottamustasolla, joka määritetään siten, että (8) jossa on standardi normaalijakautunut satunnaismuuttuja. Esimerkiksi, jos valittu luottamustaso on 95 % luottamustaso, niin tarkoittaa sitä arvoa, jota suurempia on 2,5 % havainnoista. Tässä tapauksessa arvoksi saadaan Tällä tavalla saadaan todennäköisyydelle estimoiduksi intervalli, jota sanotaan myös Waldin intervalliksi. Binomijakauman approksimointi normaalijakaumalla toimii, jos havaintojen lukumäärä N on suuri ja tapahtumien todennäköisyys p ei ole lähellä arvoja 0 tai 1. Sen sijaan jos komponentit vikaantuvat harvoin, tämä approksimaatio ei ole käyttökelpoinen. Tämän vuoksi komponenttien vikaantumisien todennäköisyyksien intervallit tulee muodostaa jollakin toisella tavalla. Sternen intervallien laskeminen on suositeltava menetelmä, kun havaintoja on korkeintaan 1000 kappaletta, ja jos havaintoja on tätä enemmän suositellaan oikaistun Waldin intervallin käyttämistä (Reiczigel, 2003). Oikaistu Waldin intervalli 95 % luottamustasolla muodostetaan siten, että havaintoihin lisätään kaksi vikaantumista ja kaksi muuta havaintoa (Agresti ja Coull, 1998). Intervalli lasketaan edelleen siten, että aluksi määritetään todennäköisyyden suurimman uskottavuuden estimaattori yhtälön (6) avulla, joka on lisättyjen havaintojen takia
11 8 ja tämän jälkeen lasketaan uudet luottamusvälin päätepisteet yhtälön (7) avulla, joka on lisättyjen havaintojen takia Jos komponentin vikaantumisen todennäköisyys on p, todennäköisyys sille, että N identtisestä komponentista on vikaantunut tarkalleen r kappaletta, on (9) Tällöin todennäköisyys sille, että komponentteja on vikaantunut määrä, joka on korkeintaan yhtä todennäköinen kuin jokin tietty määrä s, on (10) jonka summassa lasketaan yhteen kaikki arvot r, joille pätee Sternen intervalli (Sterne 1954) muodostetaan siten, että etsitään lyhyin mahdollinen intervalli, joka sisältää kaikki p:n arvot, joilla (11) jossa on valittu luottamustaso ja on N identtisen komponentin järjestelmässä vikaantuneiden komponenttien lukumäärä. Taulukossa 2 on esitettynä muutamalla eri havaintomäärällä lasketut 95 % luottamusvälit komponenttien vikaantumisten todennäköisyyksille. Kaikki luottamusvälit on laskettu tilanteissa, joissa N identtisen komponentin järjestelmistä 10 % on vikaantunut. Luottamusvälin laskemiseen käytetty menetelmä riippuu havaintojen määrästä.
12 9 Taulukko 2: 95 % luottamusväli vikaantumisten todennäköisyyksille, kun vikaantuminen on tapahtunut 10 % havainnoista havaintoja alaraja yläraja Luottamusvälin laskemisessa on käytetty Sternen intervalli-menetelmää kahdessa ensimmäisessä tuloksessa kun havaintojen määrä on pienempi kuin 1000, ja muissa oikaistua Waldin intervalli-menetelmää. Kun vikaantumisten todennäköisyys on estimoitu 100 havainnosta, joista 10 on ollut vikaantuneita, niin sen 95 % luottamusväli on [0.0534,0.174]. Jos havaintoja on näin vähän, on luottamusväli erittäin leveä. Havaintojen määrän kasvaessa luottamusvälistä tulee kapeampi. Tuloksista nähdään, että kun vikaantumisten todennäköisyys on estimoitu havainnosta, joista 1000 on ollut vikaantuneita, luottamusväli on jo huomattavan kapea. Tässä tapauksessa vikaantumisten todennäköisyydessä ei ole paljoa epävarmuutta. 3. Mallin muodostaminen Tarkastellaan seuraavaksi järjestelmää, jossa on n kappaletta komponentteja, jotka voivat vikaantua. Tällöin järjestelmän perustapahtumien joukko on, jossa on komponentin vikaantuminen, ja :n todennäköisyys on. Perustapahtumien todennäköisyyksien vektori on. Tietyillä perustapahtumien yhdistelmillä koko järjestelmä vikaantuu, jolloin huipputapahtuma T tapahtuu. Näitä yhdistelmiä sanotaan katkosjoukoiksi. Jos katkosjoukosta ei voi poistaa yhtäkään perustapahtumaa, jotta huipputapahtuma tapahtuisi edelleenkin, kyseinen joukko on minimikatkosjoukko. Tämä tarkoittaa siis sitä, että minkä tahansa vioittuneen komponentin korjaaminen saa koko järjestelmän toimivaksi. Oletetaan, että järjestelmän huipputapahtuman toteutuminen voidaan esittää minimikatkosjoukkojen, jossa, avulla (12) jossa on järjestelmän minimikatkosjoukkojen lukumäärä. Koska järjestelmän komponenttien vikaantumisen todennäköisyydet ovat yleensä pieniä, on
13 10 minimikatkosjoukon tapahtumisen todennäköisyys huomattavasti suurempi kuin saman minimikatkosjoukon ja jonkin muun komponentin vikaantumisen samanaikaisen tapahtumisen todennäköisyys. Tämän takia voidaan tehdä oletus, että järjestelmän vikaantuessa vain jonkin minimikatkosjoukon komponentit ovat vikaantuneet. Tällöin koko järjestelmän vikaantumisen todennäköisyyden approksimaatio on (13) Yksi mielenkiintoisimmista vikapuuanalyysillä tutkittavista asioista on vertailla eri komponenttien tärkeyttä järjestelmän luotettavuuden kannalta. Tätä varten on kehitetty muutamia eri riskitärkeysmittoja, joista yksi käytetyimpiä on Fussell- Veselyn riskitärkeysmitta, jota sovelletaan jatkossa tässä työssä. Sen määritelmä on esitetty kaavassa (1), joka voidaan johtaa muotoon (14) jossa on perustapahtuman komplementti, jolloin siis tarkoittaa todennäköisyyttä, että huipputapahtuma on toteutunut ehdolla, että perustapahtuma ei ole toteutunut. Sijoittamalla tähän lausekkeeseen yhtälö (13), saadaan perustapahtuman Fussell-Veselyn riskitärkeysmitan arvon laskemiselle kaava (15) 3.1. Betafaktorimallin soveltaminen riskien priorisoinnissa Tässä kappaleessa tarkastellaan yhteisvikojen mahdollisuuden vaikutusta järjestelmän komponenttien priorisointiin. Yhteisvikojen mallintamiseen käytetään betafaktorimallia, jonka todennäköisyydet saadaan yhtälöstä (2). Järjestelmässä on komponenttia, jotka voivat vikaantua samanaikaisesti jonkin yhteisen syyn takia. Olkoon S näiden perustapahtumien joukko. Tällöin järjestelmässä on kappaletta komponentteja, joihin yhteisvikaantumiset
14 11 eivät vaikuta. Nyt järjestelmässä on kolmenlaisia minimikatkosjoukkoja. On minimikatkosjoukkoja, joihin kuuluu vain perustapahtumia, jotka eivät voi vikaantua yhteisvioissa. Näitä minimikatkosjoukkoja on kappaletta ja niiden todennäköisyys on. Lisäksi on minimikatkosjoukkoja, joihin kuuluu myös perustapahtumia, jotka voivat vikaantua myös yhteisvioissa, mutta yhteisvika ei kuitenkaan ole toteutunut. Järjestelmässä näitä on kappaletta ja niiden todennäköisyys voidaan esittää (16) jossa kuvaa yhteisvioissa vikaantuvien komponenttien toisistaan riippumattomia vikaantumisia ja kuvaa todennäköisyyttä, että yhteisvikaa ei tapahdu. Luvussa 2.2 esitettiin approksimaatio järjestelmille, joiden komponentit ovat luotettavia, jonka mukaan useampi yhteisviassa vikaantuva komponentti vikaantuu samanaikaisesti vain yhteisvian ansiosta. Tämän vuoksi luotettavilla järjestelmillä yhtälön (16) approksimoidaan olevan 0. Tämän lisäksi järjestelmässä on vielä minimikatkosjoukkoja, joihin kuuluu perustapahtumia, jotka voivat vikaantua yhteisvioissa ja yhteisvika on toteutunut. Näitäkin minimikatkosjoukkoja järjestelmässä on kappaletta ja niiden todennäköisyys on. Tämän avulla koko järjestelmän vikaantumisen todennäköisyyden approksimaatio yhteisvikojen ollessa mahdollisia on (17) Sijoittamalla tämä yhtälö yhtälöön (14), ja määrittämällä myös huipputapahtuman ehdolliset todennäköisyydet, ehdolla, että jokin perustapahtuma ei tapahdu, voidaan määrittää eri komponenttien Fussell-Veselyn riskitärkeysmitan arvot, ja täten priorisoida komponentit niiden riskitärkeyksien mukaan myös silloin, kun osa komponenteista saattaa vikaantua yhteisvian takia. Ehdolliset todennäköisyydet voidaan määrittää siten, että yhtälöstä (17) poistetaan ne termit,
15 12 jotka sisältävät tutkittavan perustapahtuman Epävarmuus -parametrissa Tässä kappaleessa tarkastellaan miten -parametrin luottamusväli määritetään. Oletetaan, että vikaantumisista on tehty havaintoa, ja -parametri on estimoitu näiden havaintojen perusteella, jolloin sen suurimman uskottavuuden estimaattori on yhtälön (4) mukainen. Jokainen :stä vikaantumisesta on tapahtunut joko yhteisen syyn aiheuttamana todennäköisyydellä tai riippumattoman syyn aiheuttamana todennäköisyydellä. Tämän vuoksi siis yhteisistä syistä johtuvien vikaantumisien lukumäärä noudattaa binomijakaumaa parametrein ja, eli. Luvussa 2.3 esitetään, miten binomijakauman todennäköisyysparametrin p luottamusväli muodostetaan. Vastaavalla tavalla on mahdollista muodostaa 95 % luottamusväli myös -parametrille. Huomionarvoista on kuitenkin se, että yhteisvikatilanteista on tyypillisesti huomattavasti vähemmän havaintoja, kuin kaikista vikaantumisista. Tämä johtuu siitä, että vain pienessä osassa kaikista havainnoista on tapahtunut yhteisvikaantuminen. Tällöin -parametrin luottamusväli kannattaa muodostaa Sternen intervallin avulla. Taulukossa 2 esitetään millainen luottamusväli saadaan muodostettua -parametrille 0.1 muutamalla eri havaintomäärällä. Tuloksista huomataan, että jos -parametri määritetään 100 havainnon perusteella, sen luottamusväli on erittäin leveä. Havaintojen määrän kasvaessa luottamusväli kapenee huomattavasti, mutta yleensä havaintoja ei ole riittävästi. Tämän takia parametriin liittyy huomattavan paljon epävarmuutta Intervallien käyttäminen Todennäköisyyksien määritelmien mukaan perustapahtumien todennäköisyyksien vektori rajoittuu monikulmioon. Tähän mennessä perustapahtumien todennäköisyyksinä on käytetty piste-estimaatteja, jolloin siis kaikilla todennäköisyyksillä on yksi tietty numeerinen arvo. Joskus näiden estimaattien luottamusvälit ovat kuitenkin leveitä, minkä vuoksi voi olla järkevämpää esittää perustapahtumien todennäköisyydet intervallimuodossa. Tällöin perustapahtuman todennäköisyydelle määrätään rajoite, jossa on todennäköisyyden alaraja ja on
16 13 todennäköisyyden yläraja. Todennäköisyysvektori, joka toteuttaa nämä rajoitteet on käypä todennäköisyysvektori, ja kaikkien näiden vektoreiden joukkoa merkitään jatkossa. Käytettäessä intervallitodennäköisyyksiä perustapahtumien todennäköisyyksillä ei ole enää yhtä yksittäistä numeerista arvoa, minkä vuoksi myöskään minkään riskitärkeysmitan arvo ei saa yhtä tiettyä numeerista arvoa, vaan se vaihtelee riippuen siitä, mitä käypää todennäköisyysvektoria laskettaessa käytetään. Tästä huolimatta on mahdollista vertailla kahden komponentin riskitärkeysmittojen suhteen hyödyntämällä dominanssi-käsitettä, jonka mukaan perustapahtuma dominoi perustapahtumaa riskitärkeysmitan I suhteen, jos se saa jokaisella käyvällä todennäköisyydellä vähintään yhtä suuren riskitärkeysmitan arvon ja ainakin yhdellä käyvällä todennäköisyydellä tätä suuremman arvon. Määritelmä 1 Mikäli ja, niin Dominanssirelaatio on irrefleksiivinen, antisymmetrinen ja transitiivinen. Tämä tarkoittaa sitä, että perustapahtuma ei voi dominoida itseään, ei voi dominoida :ta jos dominoi sitä, ja jos dominoi :ta ja dominoi :ta, niin dominoi :ta. Nämä ominaisuudet tekevät mahdolliseksi sen, että määritettäessä koko järjestelmän dominanssirelaatioita ei tarvitse välttämättä käydä jokaista perustapahtumien paria lävitse. Perustapahtuman Fussell-Veselyn riskitärkeysmitan arvo määritetään yhtälön (14) avulla. Tutkittaessa kahden perustapahtuman välisiä dominanssirelaatioita tämän riskitärkeysmitan suhteen tutkitaan lausetta: Tämä lauseke supistuu muotoon (18) jossa vaaditaan lisäksi, että ainakin jollakin käyvällä todennäköisyydellä epäyhtälörajoite toteutuu aitona epäyhtälönä. Jos tähän lausekkeeseen sijoitetaan huipputapahtumien ehdollisien todennäköisyyksien approksimaatiot, lauseke
17 14 saadaan muotoon Edelleen koska ne minimikatkosjoukot, joissa ei esiinny kumpaakaan tarkasteltavista perustapahtumista, esiintyvät molemmissa summatermeissä, ja supistuvat siksi, jolloin saadaan (19) Kun tämä lauseke on tosi jokaisella käyvällä todennäköisyydellä, ja tämän lisäksi ainakin yhdellä käyvällä todennäköisyydellä epäyhtälömerkin vasemmalla puolella oleva termi on suurempi kuin 0, dominoi perustapahtuma perustapahtumaa Fussell-Veselyn riskitärkeysmitan mielessä. Tässä siis täytyy tarkastella, onko epäyhtälömerkin vasemmalla puolella oleva termi positiivinen kaikilla käyvillä todennäköisyyksillä ja tämän lisäksi ainakin yhdellä käyvällä todennäköisyydellä aidosti positiivinen Intervallitodennäköisyyksien soveltaminen yhteisvikatilanteissa Intervallitodennäköisyyksiä voi käyttää riskien priorisointiin järjestelmissä, joissa yhteisviat ovat mahdollisia. Koska myös betafaktorimallin -parametriin liittyy epävarmuutta, tarkastellaan tätäkin intervalliarvoisena, ja tämä intervalli määritetään luvussa 3.2 esitetyllä tavalla. Dominanssirelaatiot määritetään edelleenkin yhtälön (18) osoittamalla tavalla, mutta nyt huipputapahtuman ehdollisten todennäköisyyksien approksimaatiot ovat muuttuneet. Yhtälöstä (17) saadaan huipputapahtuman todennäköisyyden approksimaatio, joka sievenee samalla tavalla kuin yhtälö (19) on saatu muodostettua yhteisviattomassa tilanteessa, eli ne termit, joissa ei esiinny kumpaakaan tarkasteltavista perustapahtumista, supistuvat lausekkeesta pois. Tällöin lauseke, jonka paikkansapitävyyttä tarkastellaan, jotta saataisiin määritellyksi dominanssirelaatio, on
18 15 (20) Kun tämä lauseke on totta jokaisella käyvällä todennäköisyydellä ja tämän lisäksi ainakin yhdellä käyvällä todennäköisyydellä epäyhtälömerkin vasemmalla puolella oleva termi on suurempi kuin 0, dominoi perustapahtuma perustapahtumaa Fussell-Veselyn riskitärkeysmitan mielessä. Järjestelmissä, joissa yhteisviat eivät ole mahdollisia, tämä lauseke supistuu kaavan (19) muotoon Algoritmi dominanssirelaatioiden määrittämiseksi Koska -parametri on myös todennäköisyys joka esitetään intervallina, soveltuu aikaisemmin kehitetty algoritmi dominanssirelaatioiden laskemiseksi silloin, kun komponenttien vikaantumisten todennäköisyydet esitetään intervalleina (Toppila ja Salo, 2012), myös tässä työssä esitetyn menetelmän dominanssirelaatioiden laskemiseen. Algoritmi edellyttää, että tarkasteltava funktio on multilineaarinen. Yhteisvikatilanteissa tarkasteltava funktio ei välttämättä ole multilineaarinen, mutta komponenttien ollessa luotettavia, voidaan olettaa, että yhteisvikojen ollessa mahdollisia, saman yhteisvian komponentit eivät vikaannu samanaikaisesti toisistaan riippumatta. Tämän oletuksen johdosta voidaan tehdä luvussa 2.2 esitetty approksimaatio todennäköisyyksille. Tämän approksimaation avulla tarkasteltavasta funktiosta tulee multilineaarinen. Olen toteuttanut tässä luvussa mainitun algoritmin Mathematicalla ja liitteissä esitetään tämän algoritmin toiminta. 4. Esimerkki ja tulokset Tarkastellaan 7 komponentin muodostamaa järjestelmä. Kuvassa 1 on esitettynä tähän järjestelmään kuuluvien komponenttien lohkokaavio.
19 16 Kuva 1: Esimerkkitapauksen järjestelmä Tämä järjestelmä toimii silloin, kun sen läpi kulkee ainakin yksi polku, joka koostuu toimivista komponenteista. Vikapuuanalyysin avulla voidaan määrittää järjestelmän minimikatkosjoukot, jotka ovat {1, 3, 5, 6}, {1, 3, 7}, {1, 4, 5, 6}, {1, 4, 7}, {2, 3, 5, 6}, {2, 3, 7}, {2, 4, 5, 6} ja {2, 4, 7}. Yhtälön (13) avulla järjestelmän vikaantumisen todennäköisyydeksi saadaan Järjestelmän komponentit ovat identtisiä ja vikaantuvat todennäköisyydellä Tällöin järjestelmän vikaantumisen todennäköisyys on, joten järjestelmä on erittäin luotettava Tarkat todennäköisyydet Komponenttien vikaantumisten todennäköisyyksissä ei ole aluksi epävarmuutta, jonka takia ne voidaan esittää tarkkoina arvoina. Tällöin komponenttien Fussell- Veselyn riskitärkeysmitan arvo lasketaan yhtälön (15) avulla, jolloin esimerkiksi komponentin 5 riskitärkeydeksi saadaan Lasketaan samalla tavalla Fussell-Veselyn riskitärkeysmitan arvot muillekin komponenteille. Nämä ovat lueteltuna taulukossa 2. Tutkitaan seuraavaksi tilannetta, jossa komponentit 5 ja 6 voivat vikaantua yhteisvian takia. Luvussa 2.2 esitetyn approksimaation avulla komponenttien 5 ja 6 samanaikaisen
20 17 vikaantumisen todennäköisyys on. Betafaktorimallin oletusten johdosta. Komponenttien vikaantumisten todennäköisyydet ovat erittäin pieniä, joten tämä approksimaatio on mahdollinen. Tällöin komponentin 5 riskitärkeydeksi Fussell-Veselyn riskitärkeysmitan suhteen saadaan Vastaavalla tavalla voidaan laskea muidenkin komponenttien riskitärkeydet Fussell-Veselyn riskitärkeysmitan suhteen. Taulukossa 3 on esitettynä myös komponenttien riskitärkeydet tällä tavalla laskettuna silloin kun tai. Taulukko 3: Komponenttien Fussell-Veselyn riskitärkeysmitan arvot komponentti Tilanteessa, jossa yhteisvikoja ei tapahdu, komponentin 7 riskitärkeys on suurin ja vastaavasti komponenteilla 5 ja 6 on pieni riskitärkeys. Tämä tulos selittynee tarkastelemalla järjestelmän rakennetta. Järjestelmä on kolmen kahden sarjaan kytketyn komponentin rinnankytkentä, jossa yksi komponentti on varmistettu toisella komponentilla. Järjestelmän varmennettu osa on komponenteista 5 ja 6 koostuva osa. Tämän varmennuksen vuoksi komponenttien 5 ja 6 vaikutus koko järjestelmän riskiin on pienempi kuin muilla komponenteilla. Komponentin 7 suuri riskitärkeys selittynee sillä, että järjestelmän vikaantumiseen vaaditaan joko komponentin 7 vikaantuminen tai komponenttien 5 ja 6 samanaikainen vikaantuminen. Koska komponentin 7 vikaantuminen on näistä kahdesta vaihtoehdosta huomattavasti todennäköisempi, suurimmassa osassa järjestelmän
21 18 vikaantumisista komponentti 7 on vikaantunut. Jos yhteisvika aiheuttaa osan komponenttien 5 ja 6 vikaantumisista, kasvaa niiden riskitärkeys ja vastaavasti komponentin 7 riskitärkeys vähenee. Muutos on merkittävä. Jos 10 % komponenttien 5 ja 6 vikaantumisista johtuu yhteisestä syystä, niin niiden riskitärkeys on kasvanut huomattavasti. Komponenttien tärkeysjärjestys ei kuitenkaan muutu edes silloin kun, vaikka myös komponentin 7 riskitärkeys on alentunut merkittävästi. Tämä johtuu siitä, että komponenttien 5 ja 6 merkitys kokonaisriskin kannalta on aluksi pieni Epävarmuus -parametrissa Luvussa 3.2 esitettiin, että -parametrin luottamusväli muodostuu erittäin leveäksi silloin, kun yhteisvioista ei ole monta havaintoa, kuten yleensä ei ole. Tämän vuoksi -parametriin liittyy paljon epävarmuutta. Tämä ongelma ratkeaa, kun parametri esitetään intervallimuodossa. Tässä kappaleessa tarkastellaan riskien priorisointia esimerkkijärjestelmässä silloin, kun -parametri esitetään intervallimuodossa. -parametri saa arvonsa väliltä [0.05,0.15], ja jokaisen komponentin vikaantumisen todennäköisyys on edelleenkin Riskit priorisoidaan määrittämällä komponenttien väliset dominanssirelaatiot. Tutkittaessa dominoiko komponentti 1 komponenttia 5 Fussell-Veselyn riskitärkeysmitan suhteen, algoritmilla tarkasteltava multilineaarinen funktio on yhtälön (20) mukaan Koska tämä funktio ei ole millään käyvällä todennäköisyydellä negatiivinen, ja ainakin yhdellä suurempi kuin 0, niin komponentti 1 dominoi komponenttia 5. Vastaavalla tavalla voidaan määrittää muidenkin komponenttien väliset dominanssirelaatiot, jotka on esitetty kuvassa 2. Esimerkkitapauksen järjestelmässä komponentti 7 dominoi jokaista muuta komponenttia Fussell-Veselyn riskitärkeysmitan suhteen, ja tämän lisäksi komponentit 1, 2, 3 ja 4 dominoivat komponentteja 5 ja 6. Tämä tulos on yhdenmukainen taulukon 3 tulosten kanssa, sillä niissäkin komponentin 7 riskitärkeys oli aina suurin ja komponenteilla 5 ja 6 pienin. Itse asiassa jokaisella mahdollisella -parametrin arvolla komponenttien tärkeysjärjestys on tämä. -
22 parametrin arvon lähestyessä maksimiaan 1 komponenttien 5 ja 6 riskitärkeys lähestyy arvoa 0.5 kuten myös komponentin Epävarmuus komponenttien vikaantumisten todennäköisyyksissä Myös komponenttien vikaantumisten todennäköisyyksien luottamusvälit saattavat olla leveitä, jos niiden vikaantumisista ei ole riittävän montaa havaintoa, kuten käytännössä ei useinkaan ole. Tämän vuoksi myös komponenttien vikaantumisien todennäköisyyksissä on usein epävarmuutta, joten niidenkin esittäminen intervallimuodossa on perusteltua. Tässä kappaleessa tutkitaan esimerkkitapauksen järjestelmän riskien priorisointia silloin, kun komponenttien vikaantumisten todennäköisyydet ovat välillä [0.001,0.003]. Komponenttien väliset dominanssirelaatiot määritetään tarkastelemalla samoja funktioita kuin edellisessäkin kappaleessa, ja ne ovat esitettyinä kuvassa 2. Kuva 2. Järjestelmän dominanssirelaatiot kun -parametri on intervalli [0.05,0.15]. Vasemmalla olevassa kaaviossa komponenttien vikaantumisten todennäköisyydet ovat ja oikealla olevassa kaaviossa intervalli [0.001,0.003] Tässä tilanteessa dominanssirelaatiot ovat muuttuneet siten, että komponentti 7 dominoi enää komponentteja 5 ja 6. Muita dominanssirelaatioita järjestelmässä ei ole. Kun komponenttien vikaantumisten todennäköisyys on jotakin väliltä [0.001,0.003] sen sijaan että ne olisivat 0.002, komponentti 7 ei dominoikaan enää komponentteja 1, 2, 3 ja 4, jotka eivät enää dominoi komponentteja 5 ja 6.
23 20 Epävarmuus komponenttien vikaantumisten todennäköisyyksissä poistaa dominanssirelaatioita. Emme enää tiedä varmuudella useiden komponenttien osalta, onko kyseinen komponentti tärkeämpi järjestelmän luotettavuuden kannalta kuin jokin toinen komponentti vai ei. Työssä tarkasteltiin myös -parametrin suuruuden vaikutusta dominanssirelaatioihin. Kun sen intervallin yläraja ylittää arvon 1/3, järjestelmässä ei ole ainuttakaan dominanssirelaatiota. Vastaavasti intervallin ylärajan alittaessa arvon 1/9 järjestelmän dominanssirelaatiot ovat kuten kuvan 2 vasemmalla puolella olevassa kaaviossa. 5. Yhteenveto ja pohdinnat Teknisten järjestelmien riskien priorisointi on tärkeätä. Yhteisviat vaikuttavat järjestelmän luotettavuuteen ja riskien priorisointiin. Työn tulosten perusteella varsinkin betafaktorimallin -parametriin liittyy usein erittäin paljon epävarmuutta, sillä yhteisvioista tarvittaisiin monta havaintoa, jotta -parametrin luottamusväli ei olisi leveä. Havaintoja on kuitenkin usein saatavilla vain rajallinen määrä. Lisäksi myös komponenttien vikaantumisista ei aina ole riittävästi havaintoja, jotta niidenkään todennäköisyyksiin ei liittyisi epävarmuutta. Tässä kandidaatintyössä esitetyn menetelmän avulla teknisen järjestelmän riskien priorisointi on mahdollista epävarmoilla todennäköisyyksillä silloin, kun yhteisviat ovat mahdollisia. Menetelmä ei anna yhtä tiettyä numeerista arvoa komponenttien riskitärkeyksille, vaan se järjestää komponentit tärkeysjärjestykseen dominanssirelaatioiden avulla etsien ne komponentit, jotka ovat varmasti tärkeämpiä kuin toiset. Työssä esitelty menetelmä riskien priorisointia varten pohjautui aiemmin esitettyyn menetelmään (Toppila ja Salo, 2012), jolla voidaan määrittää komponenttien väliset dominanssirelaatiot silloin, kun niiden vikaantumisten todennäköisyyksissä on epävarmuutta. Liitteissä esitetään Mathematicalla toteutetun algoritmin (Toppila ja Salo, 2012) toimintaperuste, jota voi käyttää työkaluna dominanssirelaatioiden laskemisessa. Koska -parametri on myös todennäköisyys, joka esitetään menetelmässä intervallina, voi tätä työkalua käyttää myös tässä työssä esitetyn menetelmän dominanssirelaatioiden laskemiseksi. Algoritmin avulla voidaan tarkastella vain multilineaarisia funktioita
24 21 ja yhteisvikatilanteissa tarkasteltavassa funktiossa saattaa esiintyä -parametrista korkeammankin asteen termejä. Tilanteissa, joissa komponenttien vikaantumisen todennäköisyys on pieni, luvussa 2.2 esitetyn approksimaation avulla tarkasteltavasta lausekkeesta tulee multilineaarinen. Työssä esitettyä menetelmää sovellettiin työtä varten luotuun esimerkkijärjestelmään. Järjestelmässä oli aluksi yksi osa, joka oli merkityksetön järjestelmän kokonaisriskin kannalta. Kun järjestelmään lisättiin mahdollinen yhteisvika tähän osaan ja epävarmuutta todennäköisyyksiin, ei enää tiedetä varmuudella, ovatko eräät toiset komponentit tärkeämpiä kokonaisriskin kannalta kuin nämä merkityksettömän osan komponentit vai ei. Menetelmän tapa tarkastella epävarmuutta tuottaakin tällaisia tuloksia. Jos jokin komponentti on tarkoilla todennäköisyyksillä tärkeämpi kuin jokin toinen komponentti, ei intervallitodennäköisyyksien käyttäminen koskaan muuta tilannetta siten, että tämä komponentti olisikin vähemmän tärkeä kuin se toinen. Joko se on edelleenkin tärkeämpi tai sitten näiden välisestä tärkeysjärjestyksestä ei voida varmuudella sanoa mitään. Yhteisvikojen mahdollisuus saattaa luonnollisestikin muuttaa merkittävästi komponenttien välistä tärkeysjärjestystä. Esimerkkitapauksessa näin ei kuitenkaan käy järjestelmän rakenteen vuoksi. Tässä kandidaatintyössä esitetty menetelmä soveltuu teknisen järjestelmän luotettavuuden kannalta tärkeimpien osien etsimiseen ja siten järjestelmän riskien priorisointiin silloin, kun järjestelmässä esiintyy yhteisvikoja ja järjestelmän komponenttien vikaantumisten todennäköisyyksissä on epävarmuutta. Menetelmä tosin tällaisenaan edellyttää, että järjestelmän komponentit ovat luotettavia. Epäluotettavia komponentteja sisältävien järjestelmien dominanssirelaatioiden laskeminen ei onnistu tässä kandidaatintyössä esitetyllä algoritmilla. Tässä kandidaatintyössä esitetty menetelmä tarvitsee jonkin toisen työkalun dominanssirelaatioiden laskemiseksi, jotta riskien priorisointi olisi mahdollista järjestelmien sisältäessä myös epäluotettavia komponentteja.
25 22 Viitteet [1] Toppila, A., Salo, A. (2012), Prioritizing failure events in fault tree analysis using interval-valued probability estimates, Proceedings of the International Conference on Probabilistic Safety Assessment and Management & Annual European Safety and Reliability Conference, Helsinki, Finland 25 29/6/2012 [2] Modarres, M. (2006) Risk Analysis in Engineering: Techniques, Tools and Trends, CRC Press: 75 81; 353 [3] Fussell, J. (1975) How to hand calculate system reliability and safety characteristics, IEEE Transaction on Reliability, 24 (3): [4] Ericson, C.A. (1999) Fault tree analysis a history, Proceedings of the International System Safety Conference, Orlando, FL, USA, 16 21/8/1999 [5] Reiczigel, J. (2003) Confidence intervals for the binomial parameter: some new considerations, Statistics in Medicine, 22 (4): [6] Agresti, A., Coull, B.A. (1998) Approximate is better than Exact for interval estimation of binomial proportions, The American Statistician 52, (2): [7] Sterne, T.E. (1954), Some remarks on confidence or fiducial limits, Biometrika, 41 (1-2): [8] Laneve, C., Lascu, T., Sordoni, V. (2010) The interval analysis of multilinear expressions, Electronic Notes in Theoretical Computer Science, 267 (2): [9] Goble, W.M. (2003), Estimating the common cause beta factor, viitattu 31/10/2012, saatavilla Internetistä osoitteesta
26 23 Liitteet Jotta koko järjestelmän dominanssirelaatiot voidaan määrittää, niin jokaisen mahdollisen kahdesta perustapahtumasta muodostetun parin välinen dominanssirelaatio täytyy, yhteisvikojen mahdollisuudesta, lausekkeen määrittää tutkimalla riippuen kaavojen (19) tai (20) epäyhtälömerkin vasemmalla puolella olevan funktion positiivisuutta. Tässä työssä tarkasteltavat funktiot ovat multilineaarisia. Funktio on multilineaarinen silloin, kun jokainen sen sisältämistä muuttujista on erikseen lineaarinen, eli mikään muuttuja ei ole toista tai suurempaa astetta, joten multilineaariset funktiot voi esittää muodossa (21) jossa. Multilineaarisilla funktioilla voi olla lokaali ääriarvo vain silloin, kun funktio on vakio (Laneve ym. 2010). Tästä seuraa se, että tarkasteltaessa multilineaarista funktiota hyperkuutiossa funktion suurin ja pienin arvo löytyvät hyperkuution kulmapisteistä. Tämän vuoksi dominanssirelaatioita määritettäessä riittää tarkastella joko yhtälön (19) tai (20) saamia arvoja käypien todennäköisyyksien muodostaman hyperkuution kulmapisteissä. Jos minkään kulmapisteen arvo ei ole negatiivinen, ja ainakin yhden kulmapisteen arvo on suurempi kuin 0, niin perustapahtumien välillä on dominanssirelaatio. Näiden funktioiden arvo kulmapisteissä määritetään Branch-and-Bound-algoritmia käyttäen, jossa haaroitus tapahtuu asettamalla jokaisen todennäköisyyden arvo vuorollaan niiden ala- ja ylärajalla. Jos tarkasteltava funktio on ollut aluksi muotoa, niin haaroitus johtaa kahteen multilineaariseen funktioon ja, jossa on i:nnen komponentin vikaantumisen todennäköisyyden alaraja ja yläraja. Äärellisellä määrällä perustapahtumia tämä algoritmi voidaan keskeyttää äärellisen määrän haaroituksia jälkeen. Jokaisen kulmapisteen arvioiminen ei ole välttämättä tarpeellista, minkä johdosta jokaista haaroitusta ei tarvitse välttämättä tehdä. Tämä johtuu siitä, että multilineaarinen funktio voidaan esittää yhtälön (21) tavalla summana, jolloin nämä termit voidaan järjestää siten, että tarkasteltava funktio esitetään muodossa
27 24 (22) jossa on funktion vakiotermit, sisältää ne funktion termit, joiden kertoimet ovat positiivisia, ja sisältää ne funktion termit, joiden kertoimet ovat negatiivisia. Tämän avulla voidaan määrittää alaraja funktion arvolle (23) jossa on todennäköisyysintervallin alarajavektori ja ylärajavektori. Vastaavasti voidaan määrittää myös yläraja funktion arvolle (24) Jos yhtälö (23) ei anna negatiivista tulosta, niin tarkasteltava funktio ei ole negatiivinen, jolloin Branch-and-Bound-algoritmin voi keskeyttää, sillä tästä voidaan päätellä, että tarkasteltava funktio ei ole negatiivinen. Algoritmin voi keskeyttää myös silloin, kun yhtälö (24) antaa negatiivisen tuloksen. Tällöin voidaan päätellä, että funktio ei ole positiivinen. Haaroitusten määrää voi algoritmissa myös rajoittaa, kun esitetään tarkasteltava multilineaarinen funktio muodossa (25) jossa sisältää kaikki ne termit, joissa on, joka on nyt otettu yhteiseksi tekijäksi, ja sisältää kaikki loput termit. Tarkastellaan seuraavaksi multilineaarista funktiota. Jos se ei ole negatiivinen, niin todennäköisyys asetetaan alarajalleen ja jos se on negatiivinen, niin todennäköisyys asetetaan ylärajalleen. Tämän jälkeen algoritmi ajetaan uudelleen muokatulle funktiolle, ja näin toimitaan niin monta kertaa, kunnes algoritmi voidaan keskeyttää kaavojen (23) ja (24) avulla muodostettujen ehtojen mukaan.
Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia
Luento 6 Yhteisvikojen analyysi PSA:n sovelluksia Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Katkosjoukkojen
LisätiedotLuento 5 Yhteisvikojen analyysi PSA:n sovelluksia
alto-yliopiston perustieteiden korkeakoulu Luento 5 Yhteisvikojen analyysi S:n sovelluksia hti Salo Systeemianalyysin laboratorio alto-yliopiston perustieteiden korkeakoulu L 11100, 00076 alto ahti.salo@aalto.fi
LisätiedotLuento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta
Luento 5 Riippuvuudet vikapuissa Esimerkkejä S:sta hti Salo Teknillinen korkeakoulu L 1100, 0015 TKK 1 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi erustapahtumien taustalla voi olla yhteisiä
LisätiedotLuento 5 Riippuvuudet vikapuissa Esimerkkejä PSA:sta
Luento 5 Riippuvuudet vikapuissa Esimerkkejä S:sta hti Salo L 1100, 0015 TKK 1 Toisistaan riippuvat vikaantumiset Riippuvuuksien huomiointi erustapahtumien taustalla voi olla yhteisiä syitä Nämä on pyrittävä
LisätiedotOptimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely)
Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely) Markus Losoi 30.9.2013 Ohjaaja: DI Antti Toppila Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotKohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.
25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,
LisätiedotMatematiikan tukikurssi, kurssikerta 3
Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus
LisätiedotJos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden
1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 Väliarvolause Oletetaan, että funktio f on jatkuva jollain reaalilukuvälillä [a, b] ja derivoituva avoimella välillä (a, b). Funktion muutos tällä välillä on luonnollisesti
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
LisätiedotSimulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen
Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotLuento 4 Vikapuuanalyysit
Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Vikapuuanalyysin vaiheet ❶ Ongelman ja reunaehtojen määrittely ❷ Vikapuun rakentaminen ❸ Minimikatkosjoukkojen tunnistaminen
LisätiedotLuento 10 Riskitekijöiden priorisointi
Luento 10 Riskitekijöiden priorisointi Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Riskien priorisointi Lähtökohtia Riskienhallintatoimenpiteet pyritään kohdistamaan siten, että kokonaisriskiä
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotLuento 4 Vikapuuanalyysit
Luento 4 Vikapuuanalyysit Ahti Salo Teknillinen korkeakoulu PL 1100, 02015 TKK 1 Vikapuuanalyysin vaiheet Ongelman ja reunaehtojen määrittely Vikapuun rakentaminen Minimikatkosjoukkojen tunnistaminen Kvalitatiivinen
LisätiedotSekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä
Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
LisätiedotKoska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.
24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ
LisätiedotMatematiikan tukikurssi, kurssikerta 2
Matematiikan tukikurssi kurssikerta 1 Relaatioista Oletetaan kaksi alkiota a ja b. Näistä kumpikin kuuluu johonkin tiettyyn joukkoon mahdollisesti ne kuuluvat eri joukkoihin; merkitään a A ja b B. Voidaan
LisätiedotKaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely)
Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Juho Roponen 10.06.2013 Ohjaaja: Esa Lappi Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotKopulafunktiot. Joonas Ollila 12. lokakuuta 2011
Kopulafunktiot Joonas Ollila 12. lokakuuta 2011 Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään. Kopula-sanan alkuperä Kopula tarkoittaa
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
LisätiedotMATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti
LisätiedotLuku 4. Derivoituvien funktioiden ominaisuuksia.
1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa
LisätiedotParametrin estimointi ja bootstrap-otanta
Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Funktion kuperuussuunnat Derivoituva funktio f (x) on pisteessä x aidosti konveksi, jos sen toinen derivaatta on positiivinen f (x) > 0. Vastaavasti f (x) on aidosti
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto. maaliskuuta 05 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteet Esimerkkejä. ym.,
Lisätiedot4 Matemaattinen induktio
4 Matemaattinen induktio Joidenkin väitteiden todistamiseksi pitää näyttää, että kaikilla luonnollisilla luvuilla on jokin ominaisuus P. Esimerkkejä tällaisista väitteistä ovat vaikkapa seuraavat: kaikilla
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto. maaliskuuta 05 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteet Esimerkkejä. ym.,
LisätiedotTekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a)
K1 a) Tekijä MAA Polynomifunktiot ja -yhtälöt 6.8.016 ( + + ) + ( ) = + + + = + + + = + 4 b) 4 4 ( 5 + ) ( 5 + 1) = 5 + + 5 + 1 4 = + + + 4 = + 5 5 1 1 Vastaus a) 4 + b) 4 + 1 K a) f ( ) = + 1 f () = +
LisätiedotOlkoon seuraavaksi G 2 sellainen tasan n solmua sisältävä suunnattu verkko,
Tehtävä 1 : 1 a) Olkoon G heikosti yhtenäinen suunnattu verkko, jossa on yhteensä n solmua. Määritelmän nojalla verkko G S on yhtenäinen, jolloin verkoksi T voidaan valita jokin verkon G S virittävä alipuu.
LisätiedotInjektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )
Injektio (1/3) Määritelmä Funktio f on injektio, joss f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Seurauksia: Jatkuva injektio on siis aina joko aidosti kasvava tai aidosti vähenevä Injektiolla on enintään
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x
LisätiedotMaksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta
Maksimit ja minimit 1/5 Sisältö Funktion kasvavuus ja vähenevyys; paikalliset ääriarvot Jos derivoituvan reaalifunktion f derivaatta tietyssä pisteessä on positiivinen, f (x 0 ) > 0, niin funktion tangentti
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotMallipohjainen klusterointi
Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio
Lisätiedot5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
LisätiedotT Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1
T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 Korkeamman asteen derivaatat Tutkitaan nyt funktiota f, jonka kaikki derivaatat on olemassa. Kuten tunnettua, funktion toista derivaattaa pisteessä x merkitään f (x).
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Lisätiedot3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4
Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
LisätiedotNollasummapelit ja bayesilaiset pelit
Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
Lisätiedotf(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 7 Harjoitus 6 Ratkaisuehdotukset 6.. Olkoon f : G R, G = {(x, x ) R x > }, f(x, x ) = x x. Etsi differentiaalit d k f(, ), k =,,. Ratkaisu:
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 1 Määrittelyjoukoista Tarkastellaan funktiota, jonka määrittelevä yhtälö on f(x) = x. Jos funktion lähtöjoukoksi määrittelee vaikkapa suljetun välin [0, 1], on funktio
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotKustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely)
Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely) Joonas Lanne 23.2.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotINTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti
12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotLuento 5 Vikapuuanalyysit
Luento 5 Vikapuuanalyysit Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Influenssarokotus (1/3) Rokotuskampanja
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I
MS-A0402 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I G. Gripenberg Aalto-yliopisto 3. huhtikuuta 2014 G. Gripenberg (Aalto-yliopisto) MS-A0402 Diskreetin matematiikan perusteetesimerkkejä,
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotLIITE 1 VIRHEEN ARVIOINNISTA
Oulun yliopisto Fysiikan opetuslaboratorio Fysiikan laboratoriotyöt 1 1 LIITE 1 VIRHEEN RVIOINNIST Mihin tarvitset virheen arviointia? Mittaustuloksiin sisältyy aina virhettä, vaikka mittauslaite olisi
LisätiedotMS-A0402 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I
MS-A040 Diskreetin matematiikan perusteet Esimerkkejä, todistuksia ym., osa I G. Gripenberg Aalto-yliopisto 3. huhtikuuta 014 G. Gripenberg (Aalto-yliopisto) MS-A040 Diskreetin matematiikan perusteetesimerkkejä,
LisätiedotTenttiin valmentavia harjoituksia
Tenttiin valmentavia harjoituksia Alla olevissa harjoituksissa suluissa oleva sivunumero viittaa Juha Partasen kurssimonisteen siihen sivuun, jolta löytyy apua tehtävän ratkaisuun. Funktiot Harjoitus.
Lisätiedot1. Otetaan perusjoukoksi X := {0, 1, 2, 3, 4, 5, 6, 7}. Piirrä seuraaville kolmelle joukolle Venn-diagrammi ja asettele alkiot siihen.
Joukko-oppia Matematiikan mestariluokka, syksy 2010 Harjoitus 1, vastaukset 20.2.2010 1. Otetaan perusjoukoksi X := {0, 1, 2, 3, 4, 5, 6, 7}. Piirrä seuraaville kolmelle joukolle Venn-diagrammi asettele
Lisätiedot1 Ensimmäisen asteen polynomifunktio
Ensimmäisen asteen polynomifunktio ENNAKKOTEHTÄVÄT. a) f(x) = x 4 b) Nollakohdassa funktio f saa arvon nolla eli kuvaaja kohtaa x-akselin. Kuvaajan perusteella funktion nollakohta on x,. c) Funktion f
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 6 Sarjojen suppeneminen Kiinnostuksen kohteena on edelleen sarja a k = a + a 2 + a 3 + a 4 +... k= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan
Lisätiedot2 Raja-arvo ja jatkuvuus
Juuri 6 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 5.7.6 Raja-arvo ja jatkuvuus. a) Kun suorakulmion kärki on kohdassa =, on suorakulmion kannan pituus. Suorakulmion korkeus on käyrän y-koordinaatti
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotLineaaristen monitavoiteoptimointitehtävien
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
Lisätiedotverkkojen G ja H välinen isomorfismi. Nyt kuvaus f on bijektio, joka säilyttää kyseisissä verkoissa esiintyvät särmät, joten pari
Tehtävä 9 : 1 Merkitään kirjaimella G tehtäväpaperin kuvan vasemmanpuoleista verkkoa sekä kirjaimella H tehtäväpaperin kuvan oikeanpuoleista verkkoa. Kuvan perusteella voidaan havaita, että verkko G on
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotKonvergenssilauseita
LUKU 4 Konvergenssilauseita Lause 4.1 (Monotonisen konvergenssin lause). Olkoon (f n ) kasvava jono Lebesgueintegroituvia funktioita. Asetetaan f(x) := f n (x). Jos f n
LisätiedotYhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5.
Tekijä Pitkä matematiikka 5 7..017 31 Kirjoitetaan yhtälö keskipistemuotoon ( x x ) + ( y y ) = r. 0 0 a) ( x 4) + ( y 1) = 49 Yhtälön vasemmalta puolelta nähdään, että x 0 = 4 ja y 0 = 1, joten ympyrän
Lisätiedot